[发明专利]一种基于深度学习的垃圾分类与识别的方法及系统

权利要求书

1.一种基于深度学习的垃圾分类与识别的方法，其特征在于，包括以下步骤：

步骤S1：获取包含多种类垃圾图像的数据集；

步骤S2：对数据集中的图像进行预处理，并将预处理好的数据集划分为训练集和测试集；

步骤S3：选择ResNet-50网络结构作为预训练模型，采用迁移学习的方式对预训练模型进行训练及微调；

步骤S4：在微调后的预训练模型中引入CBAM注意力机制模块，构建垃圾分类模型；

步骤S5：对垃圾分类模型进行性能分析。

2.根据权利要求1所述的基于深度学习的垃圾分类与识别的方法，其特征在于，步骤S2所述的对数据集中的图像进行预处理，包括数据标注、数据分析、图像缩放裁剪、图像数据标准化、数据增广；

其中，数据标注是指对数据集中每张图像进行分类和编号；

数据分析是指去除掉垃圾数据集中，因图像种类、长宽差异性及拍摄环境不同导致整体数据不均匀、质量差的图像；

图像数据标准化是指对图像进行归一化操作，把不同维度的特征值调整到相近的范围内；

数据增广是指对数据集进行扩充，以增加数据集内图像数量。

3.根据权利要求2所述的基于深度学习的垃圾分类与识别的方法，其特征在于，所述的归一化操作为：

式中，output为图像像素值输出，input为图像像素值输入，max与min为最大像素值与最小像素值，经过归一化处理，将图像的像素值调整到(0,1)区间内。

4.根据权利要求2所述的基于深度学习的垃圾分类与识别的方法，其特征在于，所述的数据增广包括采用颜色增强、水平翻转、垂直翻转、图像锐化、高斯噪声以及高斯模糊对垃圾数据集内图像进行变换操作。

5.根据权利要求1所述的基于深度学习的垃圾分类与识别的方法，其特征在于，步骤S3所述的采用迁移学习的方式对预训练模型进行训练及微调，具体为：冻结预训练模型中靠近输入端的卷积块，保持起始层权重不变，用训练集训练剩余靠近输出端的卷积块和全连接分类器，得到新的权重，其中新的权重是用初始权重减去反向传播的误差，当反向传播的误差为正时，减小权重的数值，当反向传播的误差为负时，增加权重的数值；

使用训练集和测试集对微调后的模型进行测试，评估微调后的模型关于训练集的准确率Train_Accuracy、损失值Train_Loss，以及测试集的准确率Val_Accuracy、损失值Val_Loss。

6.根据权利要求5所述的基于深度学习的垃圾分类与识别的方法，其特征在于，其中所述的准确率为

上述公式(2)中，TP表示被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数；TN表示被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数；FP表示被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；FN表示被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数。

7.根据权利要求5所述的基于深度学习的垃圾分类与识别的方法，其特征在于，其中所述的损失值为

上式公式(3)中，N为样本总数，i表示其中一个输出样本，y是实际值，x是预测值。